基于ARIMA模型的郑州高新技术开发区从业人员数量预测

ARIMA模型是一种常用的随机时间序列模型,主要用于短期预测,长期预测精度较低.本文利用SPSS 21.0试建立3个ARIMA模型,通过对比分析确立使用ARIMA(2,1,1)模型预测2016—2018年郑州市高新技术开发区从业人员的数量.模型拟合效果很好,预测结果可作为政府政策的制定、 相关企业人力的调整及个人未来求职规划的一个参考.     

基于时间序列模型与传统回归模型下的货币总量预测

文章借助反映货币总量的重要指标,对随机性时间序列模型和传统回归模型的构建及相应的预测精度进行了探讨分析,以期为宏观政策的制定提供较精确的量化模型依据,结果发现:传统回归模型的预测精度普遍高于ARIMA模型的预测精度,但是传统回归模型的预测有赖于ARIMA模型对其解释变量向预测期的外推。     

ARIMA模型在中国人均煤炭消费预测中的应用

本文依据我国人均煤炭消费量的数据,借助Eviews软件,比较分析建立了最优拟合模型ARIMA(2,2,2)。利用该模型进行预测,与实际值比较可知预测精度较高,最后利用模型ARIMA(2,2,2)预测了未来几年我国人均煤炭消费量。     

ARIMA模型在陕西省城镇居民人均消费预测中的应用

陕西城镇居民人均消费支出是一组依赖于时间变化的随机变量,可用ARIMA模型予以近似描述。运用1980—2007年陕西城镇居民人均消费支出数据建立了ARIMA（4,1,4）模型,其预测结果通过了检验。预测结果为各级政府提出扩大城镇消费支出的政策提供了科学依据。     

基于ARIMA与GARCH模型的国际油价预测比较分析

在分析影响油价波动因素的基础上,利用1986年1月至2010年12月的WTI国际原油价格月度数据,分别建立ARIMA和GARCH模型对油价进行预测。并通过对2011年1月至2012年4月WTI原油价格进行外推预测,检验模型的预测效果。比较分析发现,在短期预测中,ARIMA和GARCH模型对油价的预测均比较准确,但当油价由于受到重大事件的影响而有较大波动时,模型的预测精度下降;在长期预测中,GARCH模型的预测效果优于ARIMA模型;整体来看,GARCH模型预测的精度高于ARIMA模型。因此,在国际油价预测中,用GARCH模型是比较合适的。     

基于ARIMA与季节指数组合模型的居民储蓄存款预测

建立了预测居民储蓄存款的ARIMA模型、季节指数预测模型及两者的组合优化模型,分别对2008—2014年上半年的居民储蓄存款数据进行拟合。结果表明,把ARIMA模型与季节指数预测模型进行组合建立优化模型的拟合更为精确,并且预测2015年末居民储蓄存款余额达525475.82亿元,希望能为相关决策部门提供科学依据。     

ARIMA模型在股票价格预测中的应用

文章研究了ARIMA模型及其应用,以三一重工(600031)的120个股票价格数据为例,给出了时间序列模型预测的建模过程。通过真实值与预测值的比较,验证了模型的可靠性,该模型适用于短期预测,对长期预测效果不佳,为实际应用中,对短期预测股价,提供了参考的依据。     

基于季节性ARIMA模型的城镇固定资产投资时间序列的计量分析

本文综合运用了季节性ARIMA模型,对我国城镇固定资产投资额进行了分析,建立了ARIMA(1,1,2)×(0,1,0)11模型,估计了相应参数.假设检验表明所得参数均显著不为零.最后对2017年2月-2017年7月的全国城镇固定资产投资额进行了预测和检验,预测结果比较准确.     

采油厂油气产量预测模型研究

油气产量的有效预测有利于采油厂的科学决策。分别构建了采油厂油气产量预测的线性回归模型、灰色预测模型和ARIMA模型,基于三种单一模型,构建了最优加权组合预测模型。DX采油厂油气产量预测实例表明,该模型能够显著提高预测精度,为采油厂产量预测提供了新的方法。     

ARIMA模型在广东工业指标预测中的应用

采用自回归移动平均模型ARIMA对广东省工业增加值进行动态分析。结果显示,ARIMA(1,1,0)×(1,1,0)12对于考察序列是适用的,达到了较好的模拟预测效果,可用于对广东省工业增加值的短期未来预测。     

基于ARIMA模型对我国黄金期货价格分析与预测

本文基于ARIMA模型,对黄金期货建立了价格预测模型,并对2016年1月18日至2017年1月10日内共241个交易日的上海期货交易所的黄金期货的结算价数据的变动规律和短期趋势进行了预测.实证结果表明:ARIMA模型可以对黄金期货价格走势做出短期预测,能够大体上反映出黄金期货价格的波动情况,并为投资者以及企业在进行相关决策时提供有价值的参考.然而预测误差随着预测时间的增加而变大.     

基于季节ARIMA模型的国有粮食企业收购预测分析

研究国有粮食企业的购销现状,对国有粮食企业的购销量进行分析和预测,有利于深刻认识国有粮食企业的市场运行规律,更为充分地保障国家粮食安全。本文利用Box-Jenkins法中的季节ARIMA模型,对2005年1月—2009年4月中国国有粮食企业收购量数据序列进行分析,建立了国有粮食企业的季节ARIMA模型。检验结果表明,季节ARIMA模型对原始数据序列有着较好的拟合效果,模型的预测效果良好,可用于短期内国有粮食企业收购量的预测。     

基于RBF神经网络的GDP时间序列预测模型研究

对GDP进行高精度的分析预测,对制定经济发展战略、规划年度计划以及各种宏观经济政策,具有重要的理论与现实意义.本文采用RBF神经网络作为工具,建立基于RBF神经网络的GDP时间序列预测模型,并与ARIMA模型进行对比,对上海市22年的GDP数据进行了仿真实验.实验表明,ARIMA模型对上海市GDP数据进行预测的精度仅为91.8754％,而本文提出的RBF_TSF模型的预测精度则高达95.0360％.这表明本文提出的RBF TSF比ARIMA模型在GDP时间序列预测上具有更高的预测精度.同时该模型收敛迅速,具有很强的实用价值.     

ARIMA模型在安徽省GDP预测中的研究与应用

中国省区经济是国民经济的重要组成部分,是一个相对独立的研究对象。文章简要介绍了求和自回归移动平均模型ARIMA（p,d,q）及其建模方法,通过分析1978～2008年安徽省GDP相关数据,运用Eviews统计软件和ARIMA建模方法,将ARIMA模型应用于安徽省GDP数据的分析与预测,发现该模型的预测效果比较显著,与实际情况较符合。     

上证指数的预测分析——基于ARIMA模型

本文通过以2013年11月3日至2016年11月18日上证指数的收盘价作为样本容量,构建ARIMA模型对时间序列进行预测分析.通过上证指数的时间序列图来判断其序列的平稳性,并根据单位根检验的结果进行差分,由此判断阶数,构建模型ARIMA(p,d,q),并对上证指数收盘价进行短期预测.通过研究分析,发现此模型能够作为金融投资的一个非常重要的工具,它具有良好的短期预测效果.     

基于ARIMA模型分析四川省GDP

通过选取1978年至2018年四川省国内生产总值的相关数据,运用计量经济软件Eview8.0、SPSS25.0对选取的时间序列数据进行ARIMA模型与残差自回归模型的建立。在模型均通过检验的基础上,对AIC等信息准则的综合比较,最终确定建立ARIMA(4,2,0)最优模型来对四川省GDP进行分析与预测。     

基于传递函数模型的白银价格分析与预测

本文基于纽约商业交易所(COMEX)公布的2008年1月至2015年4月白银和黄金月收盘价数据,建立反映黄金与白银价格动态变化的传递函数模型,并与2015年5月至2016年2月的真实值进行比较分析,结果显示,传递函数模型的预测效果明显优越于回归模型和ARIMA模型,最后用传递函数模型对2016年2月之后10期白银月末收盘价进行预测,为白银产业链条企业及相关投资者提供参考与决策.     

ARIMA模型在北京市全社会固定资产投资预测中的应用

投资是拉动经济增长最主要的力量之一.通过采用自回归求和移动平均法,对《新中国五十年统计资料汇编》及《北京统计年鉴2005》所提供的北京全社会固定资产投资额数据进行分析.结果显示,ARIMA[3,1,0,也即AR(3)]模型提供较准确的预测效果,可用于未来的预测,并对北京市全社会固定资产投资提供可靠依据.     

人民币汇率预测及方法选择——基于ARIMA与GARCH模型

自2005年7月人民币汇率改革以来,人民币持续升值,已影响到经济生活的各个方面,正确分析与预测汇价及其波动对各经济主体金融政策与投融资决策的制定有着十分重要的意义。本文选取国内外学者较为认同的ARIMA和GARCH模型对人民币美元汇率建模,并对其预测误差进行分析,结果表明在对人民币兑美元中间价的预测中,GARCH模型预测相对ARIMA模型更优。     

基于时间序列ARIMA模型的人民币汇率走势预测

2010年6月19日,央行为进一步增强人民币汇率弹性,推出第二次人民币汇率形成机制改革。本文旨在研究第二次汇改后的人民币兑美元汇率的波动情况。本文为探究时间序列长度对预测准确性的影响,使用R软件选择出一个较为适用的模型即ARIMA模型,使用2010年6月19日至2011年7月19日的的人民币兑美元中间价进行拟合,并对未来半月汇率进行预测。同时,为对比长短与样本对预测精度的影响,又使用2011年1月1日至7月19日的交易日汇率数据进行预测。对比发现两中ARIMA模型对汇率预测均有效,而短样本预测精度较长样本更优。据进行预测。对比发现两中ARIMA模型对汇率预测均有效,而短样本预测精度较长样本更优。